CN111403021B - 一种监测方法及装置 - Google Patents
一种监测方法及装置 Download PDFInfo
- Publication number
- CN111403021B CN111403021B CN202010167037.9A CN202010167037A CN111403021B CN 111403021 B CN111403021 B CN 111403021B CN 202010167037 A CN202010167037 A CN 202010167037A CN 111403021 B CN111403021 B CN 111403021B
- Authority
- CN
- China
- Prior art keywords
- data
- space
- track
- behavior
- monitored object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012806 monitoring device Methods 0.000 claims abstract description 14
- 230000036541 health Effects 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 187
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000007958 sleep Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004617 sleep duration Effects 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000036626 Mental retardation Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 201000010235 heart cancer Diseases 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 208000024348 heart neoplasm Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1115—Monitoring leaving of a patient support, e.g. a bed or a wheelchair
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Dentistry (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Anesthesiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Alarm Systems (AREA)
Abstract
本申请公开了一种监测方法及装置。该方法在获取被监测对象的位置信息、体征监测数据和位置信息所属空间的环境监测数据后,根据位置信息,获取被监测对象的轨迹数据的时序特征和相应的轨迹图像特征;在根据体征监测数据确定体征信息后,根据预设的行为识别模型,对时序特征和相应的轨迹图像特征进行识别,确定被监测对象的行为类型;根据位置信息和环境监测数据,确定被监测对象所在空间的空间使用信息;根据体征信息、行为类型和空间使用信息,生成监测结果。该方法利用位置信息、体征监测数据和环境监测数据综合对被监测对象进行分析,完善了对被监测对象健康和被监测对象所在空间环境的监测结果,实现了对被监测对象的合理管理。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种监测方法及装置。
背景技术
我国老龄化形式逐渐严峻,截止2016年我国60岁以上人口达2.29亿,约占总人口比例的16.6%。按照老年人口比例和患病率(4%~6%)估算,中国失智老人的人数接近1000万,约占世界该病总人数的1/4,已成为世界上失智老人最多的国家,预测2040年将达到2200万,是所有发达国家失智老人数的总和。失智症已成为继心脏病、癌症和中风之后,导致老年人致残和死亡的第四大病因,随着高龄化发展失智症发病率大幅上升,65岁及以上老年失智症发病率约13%,故对失智老人等老年人的监测与管理是亟待解决的问题。
目前的监测方案主要是采用定位技术获取被监测对象的位置信息,以查看被监测对象是否离开指定的安全区域,如果人员未处于安全区域,则进行预警或导航服务,以及采用传感设备对被监测对象的体征数据采集及预警,从而实现对被监测对象的监测与管理。
其中,定位技术涉及全球定位系统(Global Positioning System,GPS)、北斗、无线保真(Wireless-Fidelity,WIFI)、蓝牙等,可穿戴设备所涉及的传感器包括:体温传感器、PH值传感器、血糖传感器、呼吸传感器、肥胖传感器、加速度传感器、脉搏传感器。
然而,现有的监测方案中基于位置的服务多用于危险预警和导航服务,且对被监测对象的行为分析多为普适性的居家行为及日常生活能力量表(Activity of DailyLiving Scale,ADL)的检测分析,缺少对特定病症,如失智症的行为分析,可见,现有的监测方案的监测结果不全面,导致不能合理对被监测对象进行管理。
发明内容
本申请实施例提供一种监测方法及装置,解决了现有技术存在的上述问题,以完善对被监测对象的监测结果,实现对被监测对象的合理管理。
第一方面,提供了一种监测方法,该方法可以包括:
获取被监测对象的位置信息、体征监测数据和所述位置信息所属空间的环境监测数据;其中,所述位置信息包括被监测对象的标识和不同时刻的位置数据的对应关系,以及所述位置数据所属的空间标识;
根据所述位置信息,获取所述被监测对象的轨迹数据的时序特征和相应的轨迹图像特征;
在根据所述体征监测数据确定体征信息后,根据预设的行为识别模型,对所述时序特征和相应的轨迹图像特征进行识别,确定所述被监测对象的行为类型,所述行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型;
根据所述位置信息和所述环境监测数据,确定所述被监测对象所在空间的空间使用信息;
根据所述体征信息、所述行为类型和所述空间使用信息,生成监测结果。
在一个可选的实现中,根据所述位置信息数据,获取所述被监测对象的当前轨迹数据的时序特征和相应的轨迹图像特征,包括:
采用预设时序特征提取算法,对所述轨迹数据中不同时刻的位置数据进行提取,获取轨迹数据的时序特征;其中,所述时序特征包括所述轨迹数据中不同时刻的速度、加速度、曲率、方向和转角;
采用预设特征转换算法,将所述轨迹数据转换为相应的轨迹图像,并获取所述轨迹图像的轨迹图像特征。
在一个可选的实现中,所述预设的行为识别模型的训练包括如下步骤:
根据每种行为类型对象的位置信息,获取对应行为类型对象的轨迹数据;其中,所述每种行为类型对象的位置信息包括所述对象的对象标识和不同时刻的位置数据的对应关系,所述对应行为类型对象的轨迹数据为相应行为类型对象在所述不同时刻的位置数据形成的行为轨迹的数据;
获取每种行为类型的轨迹数据的时序特征和相应的轨迹图像特征;
采用卷积神经网络CNN算法,对所述轨迹图像特征进行运算,得到卷积特征;
采用长短时记忆网络LSTM算法,对所述时序特征进行运算,得到目标时序特征;
采用预设训练算法,对所述卷积特征和所述目标时序特征进行训练,得到行为识别模型;其中,所述行为类型包括徘徊行为、驻留行为和正常行为。
在一个可选的实现中,所述体征监测数据包括生命体征监测数据和睡眠监测数据;
所述行为类型包括徘徊、跟随、聚集、夜间游走、驻留中的至少一种行为类型。
在一个可选的实现中,所述方法还包括:
若预设的被监测对象的标识对应的空间标识与所述位置数据的空间标识不一致,则确定所述被监测对象的行为类型为进行入其他空间的行为类型。
在一个可选的实现中,根据所述位置信息和所述环境监测数据,确定所述被监测对象所在空间的空间使用信息,包括:
获取所述位置信息中每个时刻处于相同空间的被监测对象的对象标识数;
根据所述每个时刻存在对象标识数的空间和相应的环境监测数据,确定所述被监测对象所在空间的空间使用信息;所述空间使用信息包括空间聚集度、空间使用频次、空间空气质量中的至少一种信息。
在一个可选的实现中,所述监测结果包括所述被监测对象的对象健康监测结果和所述被监测对象所在空间的空间环境监测结果;
生成所述被监测对象的监测结果之后,所述方法还包括:
向监测对象发送所述监测结果。
第二方面,提供了一种监测装置,该装置可以包括:获取单元、确定单元和生成单元;
所述获取单元,用于获取被监测对象的位置信息、体征监测数据和所述位置信息所属空间的环境监测数据;其中,所述位置信息包括被监测对象的标识和不同时刻的位置数据的对应关系,以及所述位置数据所属的空间标识;
以及,根据所述位置信息,获取所述被监测对象的当前体轨迹数据的时序特征和相应的轨迹图像特征;
所述确定单元,用于在根据所述体征监测数据确定体征信息后,根据预设的行为识别模型,对所述时序特征和相应的轨迹图像特征进行识别,确定所述被监测对象的行为类型,所述行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型;
所述获取单元,还用于根据所述位置信息和所述环境监测数据,确定所述被监测对象所在空间的空间使用信息;
所述生成单元,用于根据所述体征信息、所述行为类型和所述空间使用信息,生成监测结果。
在一个可选的实现中,所述获取单元,具体用于采用预设时序特征提取算法,对所述轨迹数据中不同时刻的位置数据进行提取,获取轨迹数据的时序特征;其中,所述时序特征包括所述轨迹数据中不同时刻的速度、加速度、曲率、方向和转角;
采用预设特征转换算法,将所述轨迹数据转换为相应的轨迹图像,并获取所述轨迹图像的轨迹图像特征。
在一个可选的实现中,所述装置还包括训练单元;
所述训练单元,用于根据每种行为类型对象的位置信息,获取对应行为类型对象的轨迹数据;其中,所述每种行为类型对象的位置信息包括所述对象的对象标识和不同时刻的位置数据的对应关系,所述对应行为类型对象的轨迹数据为相应行为类型对象在所述不同时刻的位置数据形成的行为轨迹的数据;
获取每种行为类型的轨迹数据的时序特征和相应的轨迹图像特征;
采用卷积神经网络CNN算法,对所述轨迹图像特征进行运算,得到卷积特征;
采用长短时记忆网络LSTM算法,对所述时序特征进行运算,得到目标时序特征;
采用预设训练算法,对所述卷积特征和所述目标时序特征进行训练,得到行为识别模型;其中,所述行为类型包括徘徊行为、驻留行为和正常行为。
在一个可选的实现中,所述体征监测数据包括生命体征监测数据和睡眠监测数据;
所述行为类型包括徘徊、跟随、聚集、夜间游走、驻留中的至少一种行为类型。
在一个可选的实现中,所述装置还包括行为类型确定单元;
所述行为类型确定单元,用于若预设的被监测对象的标识对应的空间标识与所述位置数据的空间标识不一致,则确定所述被监测对象的行为类型为进行入其他空间的行为类型。
在一个可选的实现中,所述获取单元,还用于获取所述位置信息中每个时刻处于相同空间的被监测对象的对象标识数;
根据所述每个时刻存在对象标识数的空间和相应的环境监测数据,确定所述被监测对象所在空间的空间使用信息;其中,所述空间使用信息包括空间聚集度、空间使用频次、空间空气质量中的至少一种信息。
在一个可选的实现中,所述监测结果包括所述被监测对象的对象健康监测结果和所述被监测对象所在空间的空间环境监测结果;
所述装置还包括发送单元;
所述发送单元,用于向监测对象发送所述监测结果。
第三方面,提供了一种电子设备,该电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面中任一所述的方法步骤。
第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
本发明实施例提供的监测方法在获取被监测对象的位置信息、体征监测数据和位置信息所属空间的环境监测数据后;位置信息包括被监测对象的标识和不同时刻的位置数据的对应关系,以及位置数据所属的空间标识;根据位置信息,获取被监测对象的轨迹数据的时序特征和相应的轨迹图像特征;在根据体征监测数据确定体征信息后,根据预设的行为识别模型,对时序特征和相应的轨迹图像特征进行识别,确定被监测对象的行为类型,行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型;根据位置信息和环境监测数据,确定被监测对象所在空间的空间使用信息;根据体征信息、行为类型和空间使用信息,生成监测结果。该方法利用位置信息、体征监测数据和环境监测数据综合对被监测对象进行分析,完善了对被监测对象健康和被监测对象所在空间环境的监测结果,实现了对被监测对象的合理管理。
附图说明
图1为本发明实施例提供的一种应用监测方法的监测系统架构示意图;
图2为本发明实施例提供的一种监测方法的流程示意图;
图3为本发明实施例提供的一种被监测对象的行为类型的获取方法的流程示意图;
图4为本发明实施例提供的一种被监测对象所在空间的空间使用信息的获取方法的流程示意图;
图5为本发明实施例提供的一种监测装置的结构示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,并不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本发明实施例提供的监测方法可以应用在图1所示的监测系统中,该监测系统可以包括:定位设备、体征监测设备、环境监测设备和控制主机。其中,定位设备、体征监测设备和环境监测设备分别与控制主机通信连接。
定位设备可以是具有GPS、北斗、WIFI、蓝牙、超宽带(Ultra-Wideband,UWB)等定位技术的终端;体征监测设备可以是具有体温传感器、PH值传感器、血糖传感器、呼吸传感器、肥胖传感器、加速度传感器、脉搏传感器等监测传感器的终端;环境监测设备可以是具有空气成分检测器的终端;控制主机可以是具有较强计算能力的终端或服务器。
需要说明的是,终端可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(User Equipment,UE)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobilestation,MS)、移动终端(Mobile Terminal)等。服务器可以是云服务器或应用服务器。
以下结合说明书附图对本申请的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明,并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
图2为本发明实施例提供的一种监测方法的流程示意图。如图2所示,该方法可以包括:
步骤210、获取被监测对象的位置信息、体征监测数据和位置信息所属空间的环境监测数据。
定位设备、体征监测设备和环境监测设备分别实时或周期性的采集被监测对象的位置数据、体征监测数据和环境监测数据。
其中,位置信息可以包括被监测对象的标识和不同时刻的位置数据的对应关系,以及位置数据所属的空间标识。位置信息可以以<id,t,localx,localy,zone_id>元组的形式进存储,其中,id为标签,如失智老人的标识ID,t为当前时间戳,localx和localy为当前二维坐标,zone_id为当前二维坐标所属的空间ID,且规定每个老人id唯一对应一个房间zone_id即<id,zone_id>。
体征监测数据可以包括被监测对象的生命体征监测数据和睡眠监测数据,其中,生命体征监测数据可以包括血压、血氧、血糖、心率、呼吸、体温、身体质量指数(Body MassIndex,BMI)中至少一种;睡眠监测数据可以包括睡眠心率、睡眠呼吸、离床信息、浅睡眠时长、深睡眠时长中至少一种。
环境监测数据可以为空气质量数据,包括空间的温湿度、二氧化碳浓度、甲醛浓度、雾霾PM1-PM10、总挥发性有机化合物(Total Volatile Organic Compounds,TVOC)浓度等。
步骤220、根据位置信息,获取被监测对象的轨迹数据的时序特征和相应的轨迹图像特征。
轨迹数据为被监测对象在不同时刻的位置数据形成的行为轨迹的数据。
具体的,采用预设时序特征提取算法,对轨迹数据中不同时刻的位置数据进行提取,获取轨迹数据的时序特征。其中,时序特征包括轨迹数据中不同时刻的速度、加速度、曲率、方向和转角等。
轨迹数据可以表示为一个点序列Pi∈{P1,P2,...,Pn},每个点Pi包含位置数据(xi,yi)和时间(ti),即Pi=(xi,yi,ti)。利用式(1)-(6),可计算出速度(vi),加速度(ai)、曲率(si)、方向(direction)和转角(turning angle)。其中,曲率(sinuosity)为两点之间的移动距离与两点之间的直线距离之比,可揭示路径的弯曲度。方向是连续采样点之间的移动方向,它用方向和基本方向(如北)之间的夹角来表示;转角可通过计算连续方向之间的差异而得到。
先得到Pi和Pi+1之间的欧氏距离dist(Pi,Pi+1),以及Pi和Pi+1之间的时间差Δti:
di=dist(Pi,Pi+1); (1)
Δti=ti+1-ti; (2)
由此,速度:vi=di/Δti; (3)
加速度:ai=(vi+1-vi)/Δti; (4)
曲率:si=(dist(Pi-1,Pi)+dist(Pi,Pi+1))/dist(Pi-1,Pi+1); (5)
转角:turnAngi=|directi+1-directi|; (6)
采用预设特征转换算法,将轨迹数据转换为相应的轨迹图像,并获取轨迹图像的轨迹图像特征。从每种行为类型的轨迹数据中获取采样点时间间隔为预设间隔的当前轨迹数据,构成相应行为类型的轨迹图像;将该轨迹图像按照像素划分为一个个网格,通过该轨迹图像中轨迹穿过每个网格的采样点个数设置每个网格的像元值。
其中,为了提高识别的准确性,预设间隔可以选择较小的时间段。
轨迹图像的水平方向表示位置数据中的localx,垂直方向表示位置数据中的localy。
每个网格的像元值大小可以表示轨迹数据在该网格中停留的时间长短。
步骤230、在根据体征监测数据确定体征信息后,根据预设的行为识别模型,对时序特征和相应的轨迹图像特征进行识别,确定被监测对象的行为类型。
根据体征监测数据,确定被监测对象的体征信息,如夜间离床信息,即根据检测到的体温值、呼吸状态值、脉搏值等来确定。
其中,行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型。
可选地,预设的行为识别模型的训练包括如下步骤:
根据每种行为类型对象的位置信息,获取对应行为类型对象的轨迹数据;其中,每种行为类型对象的位置信息包括对象的对象标识和不同时刻的位置数据的对应关系,对应行为类型对象的轨迹数据为相应行为类型对象在不同时刻的位置数据形成的行为轨迹的数据;
获取每种行为类型的轨迹数据的时序特征和相应的轨迹图像特征;
采用卷积神经网络(Convolutional Neural Networks,CNN)算法,对轨迹图像特征进行运算,得到卷积特征;采用长短时记忆网络(Long Short Term Memory Network,LSTM)算法,对时序特征进行运算,得到目标时序特征;采用预设训练算法,对卷积特征和目标时序特征进行训练,得到包括针对不同行为类型的时序特征和相应的轨迹图像特征对应的网络结构权重参数,即行为识别模型;其中,行为类型包括徘徊行为、驻留行为和正常行为。
进一步的,根据行为识别模型,对待识别对象的轨迹数据对应的时序特征和相应的轨迹图像特征进行识别,确定该待识别对象的行为类型。即,将待识别对象的轨迹数据对应的时序特征和相应的轨迹图像特征输入行为识别模型中,通过与行为识别模型中的网络结构权重参数运算,得到不同行为类型的概率,从而确定待识别对象的行为类型。
进一步的,若预设的被监测对象的标识对应的空间标识与位置数据的空间标识不一致,则确定被监测对象的行为类型为进入其他空间的行为类型。
例如,当前的房间标识zone_id与对象标识id对应的该对象所属的房间标识zone_id不同,则确定该对象的行为类型为进入他人房间;其中,规定每个对象标识id唯一对应一个房间标识zone_id。
结合图1中的监测系统结构,如图3所示,被监测对象的行为类型的获取步骤可以包括:
步骤301、体征监测设备向控制主机发送被监测对象的体征监测数据。
体征监测设备实时或周期性获取被监测对象夜间离床信息的体征监测数据,并发送至控制主机。
步骤302、定位设备向控制主机发送被监测对象的位置信息。
位置信息可以包括被监测对象的标识、不同时刻的位置数据和位置数据所属的空间标识。
步骤303、控制主机采用行为分析算法,对位置信息和体征监测数据进行分析,得到被监测对象的行为类型。
步骤240、根据位置信息和环境监测数据,确定被监测对象所在空间的空间使用信息。
具体为,获取位置信息中每个时刻处于相同空间的被监测对象的对象标识数,即人数;并根据每个时刻存在对象标识数量的空间和相应的环境监测数据,确定被监测对象所在空间的空间使用信息。其中,空间使用信息可以包括空间聚集度、空间使用频次、空间空气质量中的至少一种信息。
结合图1中的监测系统结构,如图4所示,被监测对象所在空间的空间使用信息的获取步骤可以包括:
步骤401、环境监测设备向控制主机发送被监测对象的位置信息所属空间的环境监测数据。
步骤402、定位设备向控制主机发送被监测对象的位置信息。
位置信息可以包括被监测对象的标识、不同时刻的位置数据和位置数据所属的空间标识。
步骤403、控制主机采用空间分析算法,对所述位置信息和所述环境监测数据进行分析,得到所述被监测对象所在空间的空间使用信息。
步骤250、根据体征信息、行为类型和空间使用信息,生成监测结果。
该监测结果包括被监测对象的对象健康监测结果和被监测对象所在空间的空间环境监测结果;也就是说,监测结果包括以体征监测数据和行为分析数据为基础的监测对象(空间内的指定被监测人员)的健康监测结果,还包括以空间聚集度、空间使用频、空间空气质量为基础的监测对象(空间环境)的空间环境监测结果。
可选地,生成被监测对象的监测结果之后,可以向监测对象发送该监测结果,以便合理地对该被监测对象进行照顾和管理。
本发明实施例提供的监测方法在获取被监测对象的位置信息、体征监测数据和位置信息所属空间的环境监测数据后;位置信息包括被监测对象的标识和不同时刻的位置数据的对应关系,以及位置数据所属的空间标识;根据位置信息,获取被监测对象的轨迹数据的时序特征和相应的轨迹图像特征;在根据体征监测数据确定体征信息后,根据预设的行为识别模型,对时序特征和相应的轨迹图像特征进行识别,确定被监测对象的行为类型,行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型;根据位置信息和环境监测数据,确定被监测对象所在空间的空间使用信息;根据体征信息、行为类型和空间使用信息,生成监测结果。该方法利用位置信息、体征监测数据和环境监测数据综合对被监测对象进行分析,完善了对被监测对象健康和被监测对象所在空间环境的监测结果,实现了对被监测对象的合理管理。
与上述方法对应的,本发明实施例还提供一种监测装置,如图5所示,该监测装置包括:获取单元510、确定单元520和生成单元530;
获取单元510,用于获取被监测对象的位置信息、体征监测数据和所述位置信息所属空间的环境监测数据;其中,所述位置信息包括被监测对象的标识和不同时刻的位置数据的对应关系,以及所述位置数据所属的空间标识;
以及,根据所述位置信息,获取所述被监测对象的轨迹数据的时序特征和相应的轨迹图像特征;
确定单元520,用于在根据所述体征监测数据确定体征信息后,根据预设的行为识别模型,对所述时序特征和相应的轨迹图像特征进行识别,确定所述被监测对象的行为类型,所述行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型;
以及,根据所述位置信息和所述环境监测数据,确定所述被监测对象所在空间的空间使用信息;
生成单元530,用于根据所述体征信息、所述行为类型和所述空间使用信息,生成监测结果。
在一个可选的实现中,获取单元510,具体用于采用预设时序特征提取算法,对所述轨迹数据中不同时刻的位置数据进行提取,获取轨迹数据的时序特征;其中,所述时序特征包括所述轨迹数据中不同时刻的速度、加速度、曲率、方向和转角;
采用预设特征转换算法,将所述轨迹数据转换为相应的轨迹图像,并获取所述轨迹图像的轨迹图像特征。
在一个可选的实现中,所述装置还包括训练单元540;
训练单元540,用于根据每种行为类型对象的位置信息,获取对应行为类型对象的轨迹数据;其中,所述每种行为类型对象的位置信息包括所述对象的对象标识和不同时刻的位置数据的对应关系,所述对应行为类型对象的轨迹数据为相应行为类型对象在所述不同时刻的位置数据形成的行为轨迹的数据;
获取每种行为类型的轨迹数据的时序特征和相应的轨迹图像特征;
采用卷积神经网络CNN算法,对所述轨迹图像特征进行运算,得到卷积特征;
采用长短时记忆网络LSTM算法,对所述时序特征进行运算,得到目标时序特征;
采用预设训练算法,对所述卷积特征和所述目标时序特征进行训练,得到行为识别模型;其中,所述行为类型包括徘徊行为、驻留行为和正常行为。
在一个可选的实现中,所述体征监测数据包括生命体征监测数据和睡眠监测数据;
所述行为类型包括徘徊、跟随、聚集、夜间游走、驻留中的至少一种行为类型。
在一个可选的实现中,所述装置还包括行为类型确定单元550;
行为类型确定单元550,用于若预设的被监测对象的标识对应的空间标识与所述位置数据的空间标识不一致,则确定所述被监测对象的行为类型为进行入其他空间的行为类型。
在一个可选的实现中,获取单元510,还用于获取所述位置信息中每个时刻处于相同空间的被监测对象的对象标识数;
根据所述每个时刻存在对象标识数的空间和相应的环境监测数据,确定所述被监测对象所在空间的空间使用信息;其中,所述空间使用信息包括空间聚集度、空间使用频次、空间空气质量中的至少一种信息。
在一个可选的实现中,所述监测结果包括所述被监测对象的对象健康监测结果和所述被监测对象所在空间的空间环境监测结果;
所述装置还包括发送单元560;
发送单元560,用于向监测对象发送所述监测结果。
本发明上述实施例提供的监测装置的各功能单元的功能,可以通过上述各方法步骤来实现,因此,本发明实施例提供的监测装置中的各个单元的具体工作过程和有益效果,在此不复赘述。
本发明实施例还提供了一种电子设备,如图6所示,包括处理器610、通信接口620、存储器630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。
存储器630,用于存放计算机程序;
处理器610,用于执行存储器630上所存放的程序时,实现如下步骤:
获取被监测对象的位置信息、体征监测数据和所述位置信息所属空间的环境监测数据;其中,所述位置信息包括被监测对象的标识和不同时刻的位置数据的对应关系,以及所述位置数据所属的空间标识;
根据所述位置信息,获取所述被监测对象的轨迹数据的时序特征和相应的轨迹图像特征;
在根据所述体征监测数据确定体征信息后,根据预设的行为识别模型,对所述时序特征和相应的轨迹图像特征进行识别,确定所述被监测对象的行为类型,所述行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型;
根据所述位置信息和所述环境监测数据,确定所述被监测对象所在空间的空间使用信息;
根据所述体征信息、所述行为类型和所述空间使用信息,生成监测结果。
在一个可选的实现中,根据所述位置信息数据,获取所述被监测对象的当前轨迹数据的时序特征和相应的轨迹图像特征,包括:
采用预设时序特征提取算法,对所述轨迹数据中不同时刻的位置数据进行提取,获取轨迹数据的时序特征;其中,所述时序特征包括所述轨迹数据中不同时刻的速度、加速度、曲率、方向和转角;
采用预设特征转换算法,将所述轨迹数据转换为相应的轨迹图像,并获取所述轨迹图像的轨迹图像特征。
在一个可选的实现中,所述预设的行为识别模型的训练包括如下步骤:
根据每种行为类型对象的位置信息,获取对应行为类型对象的轨迹数据;其中,所述每种行为类型对象的位置信息包括所述对象的对象标识和不同时刻的位置数据的对应关系,所述对应行为类型对象的轨迹数据为相应行为类型对象在所述不同时刻的位置数据形成的行为轨迹的数据;
获取每种行为类型的轨迹数据的时序特征和相应的轨迹图像特征;
采用卷积神经网络CNN算法,对所述轨迹图像特征进行运算,得到卷积特征;
采用长短时记忆网络LSTM算法,对所述时序特征进行运算,得到目标时序特征;
采用预设训练算法,对所述卷积特征和所述目标时序特征进行训练,得到行为识别模型;其中,所述行为类型包括徘徊行为、驻留行为和正常行为。
在一个可选的实现中,所述体征监测数据包括生命体征监测数据和睡眠监测数据;
所述行为类型包括徘徊、跟随、聚集、夜间游走、驻留中的至少一种行为类型。
在一个可选的实现中,所述方法还包括:
若预设的被监测对象的标识对应的空间标识与所述位置数据的空间标识不一致,则确定所述被监测对象的行为类型为进行入其他空间的行为类型。
在一个可选的实现中,根据所述位置信息和所述环境监测数据,确定所述被监测对象所在空间的空间使用信息,包括:
获取所述位置信息中每个时刻处于相同空间的被监测对象的对象标识数;
根据所述每个时刻存在对象标识数的空间和相应的环境监测数据,确定所述被监测对象所在空间的空间使用信息;其中,所述空间使用信息包括空间聚集度、空间使用频次、空间空气质量中的至少一种信息。
在一个可选的实现中,所述监测结果包括所述被监测对象的对象健康监测结果和所述被监测对象所在空间的空间环境监测结果;
生成所述被监测对象的监测结果之后,所述方法还包括:
向监测对象发送所述监测结果。
上述提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图2所示的实施例中的各步骤来实现,因此,本发明实施例提供的电子设备的具体工作过程和有益效果,在此不复赘述。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的监测方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的监测方法。
本领域内的技术人员应明白,本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此,本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然,本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样,倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内,则本申请实施例中也意图包含这些改动和变型在内。
Claims (14)
1.一种监测方法,其特征在于,所述方法包括:
获取被监测对象的位置信息、体征监测数据和所述位置信息所属空间的环境监测数据;其中,所述位置信息包括被监测对象的标识和不同时刻的位置数据的对应关系,以及所述位置数据所属的空间标识;
根据所述位置信息,获取所述被监测对象的轨迹数据的时序特征和相应的轨迹图像特征,包括:采用预设时序特征提取算法,对所述轨迹数据中不同时刻的位置数据进行提取,获取轨迹数据的时序特征;其中,所述时序特征包括所述轨迹数据中不同时刻的速度、加速度、曲率、方向和转角;采用预设特征转换算法,将所述轨迹数据转换为相应的轨迹图像,并获取所述轨迹图像的轨迹图像特征;
采用预设特征转换算法,将所述轨迹数据转换为相应的轨迹图像,并获取所述轨迹图像的轨迹图像特征,具体包括:从所述轨迹数据中获取采样点时间间隔为预设间隔的当前轨迹数据,构成相应的轨迹图像,将所述轨迹图像划分为各个网格,通过所述轨迹图像中轨迹穿过每个网格的采样点个数设置每个网格的像元值,所述每个网格的像元值大小表征所述轨迹数据在该网格中停留的时间长短;
在根据所述体征监测数据确定体征信息后,根据预设的行为识别模型,对所述时序特征和相应的轨迹图像特征进行识别,确定所述被监测对象的行为类型,所述行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与相应行为类型的关系输出相应轨迹数据对应对象的行为类型;
根据所述位置信息和所述环境监测数据,确定所述被监测对象所在空间的空间使用信息;
根据所述体征信息、所述行为类型和所述空间使用信息,生成监测结果,所述监测结果包括所述被监测对象的对象健康监测结果和所述被监测对象所在空间的空间环境监测结果。
2.如权利要求1所述的方法,其特征在于,所述预设的行为识别模型的训练包括如下步骤:
根据每种行为类型对象的位置信息,获取对应行为类型对象的轨迹数据;其中,所述每种行为类型对象的位置信息包括所述对象的对象标识和不同时刻的位置数据的对应关系,所述对应行为类型对象的轨迹数据为相应行为类型对象在所述不同时刻的位置数据形成的行为轨迹的数据;
获取每种行为类型的轨迹数据的时序特征和相应的轨迹图像特征;
采用卷积神经网络CNN算法,对所述轨迹图像特征进行运算,得到卷积特征;
采用长短时记忆网络LSTM算法,对所述时序特征进行运算,得到目标时序特征;
采用预设训练算法,对所述卷积特征和所述目标时序特征进行训练,得到行为识别模型;其中,所述行为类型包括徘徊行为、驻留行为和正常行为。
3.如权利要求1所述的方法,其特征在于,所述体征监测数据包括生命体征监测数据和睡眠监测数据;
所述行为类型包括徘徊、跟随、聚集、夜间游走、驻留中的至少一种行为类型。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
若预设的被监测对象的标识对应的空间标识与所述位置数据的空间标识不一致,则确定所述被监测对象的行为类型为进行入其他空间的行为类型。
5.如权利要求1所述的方法,其特征在于,根据所述位置信息和所述环境监测数据,确定所述被监测对象所在空间的空间使用信息,包括:
获取所述位置信息中每个时刻处于相同空间的被监测对象的对象标识数;
根据所述每个时刻存在对象标识数的空间和相应的环境监测数据,确定所述被监测对象所在空间的空间使用信息;其中,所述空间使用信息包括空间聚集度、空间使用频次、空间空气质量中的至少一种信息。
6.如权利要求1所述的方法,其特征在于,生成所述被监测对象的监测结果之后,所述方法还包括:
向监测对象发送所述监测结果。
7.一种监测装置,其特征在于,所述装置包括:获取单元、确定单元和生成单元;
所述获取单元,用于获取被监测对象的位置信息、体征监测数据和所述位置信息所属空间的环境监测数据;其中,所述位置信息包括被监测对象的标识和不同时刻的位置数据的对应关系,以及所述位置数据所属的空间标识;
以及,根据所述位置信息,获取所述被监测对象的轨迹数据的时序特征和相应的轨迹图像特征;
所述获取单元,具体用于采用预设时序特征提取算法,对所述轨迹数据中不同时刻的位置数据进行提取,获取轨迹数据的时序特征;其中,所述时序特征包括所述轨迹数据中不同时刻的速度、加速度、曲率、方向和转角;采用预设特征转换算法,将所述轨迹数据转换为相应的轨迹图像,并获取所述轨迹图像的轨迹图像特征;
所述获取单元,具体用于从所述轨迹数据中获取采样点时间间隔为预设间隔的当前轨迹数据,构成相应的轨迹图像,将所述轨迹图像划分为各个网格,通过所述轨迹图像中轨迹穿过每个网格的采样点个数设置每个网格的像元值,所述每个网格的像元值大小表征所述轨迹数据在该网格中停留的时间长短;
所述确定单元,用于在根据所述体征监测数据确定体征信息后,根据预设的行为识别模型,对所述时序特征和相应的轨迹图像特征进行识别,确定所述被监测对象的行为类型,所述行为识别模型是利用不同轨迹数据的时序特征和相应的轨迹图像特征与行为类型的关系输出相应轨迹数据对应对象的行为类型;
以及,根据所述位置信息和所述环境监测数据,确定所述被监测对象所在空间的空间使用信息;
所述生成单元,用于根据所述体征信息、所述行为类型和所述空间使用信息,生成监测结果,所述监测结果包括所述被监测对象的对象健康监测结果和所述被监测对象所在空间的空间环境监测结果。
8.如权利要求7所述的装置,其特征在于,所述装置还包括训练单元;
所述训练单元,用于根据每种行为类型对象的位置信息,获取对应行为类型对象的轨迹数据;其中,所述每种行为类型对象的位置信息包括所述对象的对象标识和不同时刻的位置数据的对应关系,所述对应行为类型对象的轨迹数据为相应行为类型对象在所述不同时刻的位置数据形成的行为轨迹的数据;
获取每种行为类型的轨迹数据的时序特征和相应的轨迹图像特征;
采用卷积神经网络CNN算法,对所述轨迹图像特征进行运算,得到卷积特征;
采用长短时记忆网络LSTM算法,对所述时序特征进行运算,得到目标时序特征;
采用预设训练算法,对所述卷积特征和所述目标时序特征进行训练,得到行为识别模型;其中,所述行为类型包括徘徊行为、驻留行为和正常行为。
9.如权利要求7所述的装置,其特征在于,所述体征监测数据包括生命体征监测数据和睡眠监测数据;所述行为类型包括徘徊、跟随、聚集、夜间游走、驻留中的至少一种行为类型。
10.如权利要求7所述的装置,其特征在于,所述装置还包括行为类型确定单元;
所述行为类型确定单元,用于若预设的被监测对象的标识对应的空间标识与所述位置数据的空间标识不一致,则确定所述被监测对象的行为类型为进行入其他空间的行为类型。
11.如权利要求7所述的装置,其特征在于,
所述获取单元,还用于获取所述位置信息中每个时刻处于相同空间的被监测对象的对象标识数;
所述确定单元,还用于根据所述每个时刻存在对象标识数的空间和相应的环境监测数据,确定所述被监测对象所在空间的空间使用信息;其中,所述空间使用信息包括空间聚集度、空间使用频次、空间空气质量中的至少一种信息。
12.如权利要求7所述的装置,其特征在于,所述装置还包括发送单元;
所述发送单元,还用于向监测对象发送所述监测结果。
13.一种电子设备,其特征在于,所述电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存储的程序时,实现权利要求1-6任一所述的方法步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167037.9A CN111403021B (zh) | 2020-03-11 | 2020-03-11 | 一种监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167037.9A CN111403021B (zh) | 2020-03-11 | 2020-03-11 | 一种监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111403021A CN111403021A (zh) | 2020-07-10 |
CN111403021B true CN111403021B (zh) | 2023-12-05 |
Family
ID=71430636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010167037.9A Active CN111403021B (zh) | 2020-03-11 | 2020-03-11 | 一种监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111403021B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11250133B2 (en) * | 2018-01-12 | 2022-02-15 | Arris Enterprises Llc | Configurable code signing system and method |
CN113241199A (zh) * | 2021-06-17 | 2021-08-10 | 立信(重庆)数据科技股份有限公司 | 一种智慧居家养老健康管理系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009163639A (ja) * | 2008-01-09 | 2009-07-23 | Nippon Hoso Kyokai <Nhk> | オブジェクト軌道識別装置、オブジェクト軌道識別方法、及びオブジェクト軌道識別プログラム |
CA2743188A1 (en) * | 2008-12-05 | 2010-06-10 | Nike International Ltd. | Athletic performance monitoring systems and methods in a team sports environment |
CN103971109A (zh) * | 2013-02-04 | 2014-08-06 | 佳能株式会社 | 用于提取特征以及用于识别轨迹的方法和设备 |
KR20140132140A (ko) * | 2013-05-07 | 2014-11-17 | 성균관대학교산학협력단 | 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치 |
WO2017029279A2 (en) * | 2015-08-17 | 2017-02-23 | Lego A/S | Method of creating a virtual game environment and interactive game system employing the method |
CN107133269A (zh) * | 2017-04-01 | 2017-09-05 | 中国人民解放军国防科学技术大学 | 基于移动目标的频繁位置轨迹生成方法及装置 |
WO2019034053A1 (zh) * | 2017-08-15 | 2019-02-21 | 杭州海康威视数字技术股份有限公司 | 一种目标定位方法、装置及系统 |
CN109446187A (zh) * | 2018-10-16 | 2019-03-08 | 浙江大学 | 基于注意力机制与神经网络的复杂装备健康状态监测方法 |
CN110287870A (zh) * | 2019-06-25 | 2019-09-27 | 大连大学 | 基于综合光流特征描述符及轨迹的人群异常行为检测方法 |
CN110309434A (zh) * | 2018-10-10 | 2019-10-08 | 腾讯大地通途(北京)科技有限公司 | 一种轨迹数据处理方法、装置以及相关设备 |
CN110443109A (zh) * | 2019-06-11 | 2019-11-12 | 万翼科技有限公司 | 异常行为监控处理方法、装置、计算机设备和存储介质 |
CN110706436A (zh) * | 2019-08-23 | 2020-01-17 | 珠海格力电器股份有限公司 | 基于雷达的监控方法、终端和计算机可读介质 |
CN110737968A (zh) * | 2019-09-11 | 2020-01-31 | 北京航空航天大学 | 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统 |
CN110837806A (zh) * | 2019-11-11 | 2020-02-25 | 辽宁科技学院 | 一种基于深度卷积记忆网络的室内定位方法 |
CN110837582A (zh) * | 2019-11-28 | 2020-02-25 | 重庆紫光华山智安科技有限公司 | 数据关联方法、装置、电子设备和计算机可读存储介质 |
-
2020
- 2020-03-11 CN CN202010167037.9A patent/CN111403021B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009163639A (ja) * | 2008-01-09 | 2009-07-23 | Nippon Hoso Kyokai <Nhk> | オブジェクト軌道識別装置、オブジェクト軌道識別方法、及びオブジェクト軌道識別プログラム |
CA2743188A1 (en) * | 2008-12-05 | 2010-06-10 | Nike International Ltd. | Athletic performance monitoring systems and methods in a team sports environment |
CN103971109A (zh) * | 2013-02-04 | 2014-08-06 | 佳能株式会社 | 用于提取特征以及用于识别轨迹的方法和设备 |
KR20140132140A (ko) * | 2013-05-07 | 2014-11-17 | 성균관대학교산학협력단 | 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치 |
WO2017029279A2 (en) * | 2015-08-17 | 2017-02-23 | Lego A/S | Method of creating a virtual game environment and interactive game system employing the method |
CN107133269A (zh) * | 2017-04-01 | 2017-09-05 | 中国人民解放军国防科学技术大学 | 基于移动目标的频繁位置轨迹生成方法及装置 |
WO2019034053A1 (zh) * | 2017-08-15 | 2019-02-21 | 杭州海康威视数字技术股份有限公司 | 一种目标定位方法、装置及系统 |
CN110309434A (zh) * | 2018-10-10 | 2019-10-08 | 腾讯大地通途(北京)科技有限公司 | 一种轨迹数据处理方法、装置以及相关设备 |
CN109446187A (zh) * | 2018-10-16 | 2019-03-08 | 浙江大学 | 基于注意力机制与神经网络的复杂装备健康状态监测方法 |
CN110443109A (zh) * | 2019-06-11 | 2019-11-12 | 万翼科技有限公司 | 异常行为监控处理方法、装置、计算机设备和存储介质 |
CN110287870A (zh) * | 2019-06-25 | 2019-09-27 | 大连大学 | 基于综合光流特征描述符及轨迹的人群异常行为检测方法 |
CN110706436A (zh) * | 2019-08-23 | 2020-01-17 | 珠海格力电器股份有限公司 | 基于雷达的监控方法、终端和计算机可读介质 |
CN110737968A (zh) * | 2019-09-11 | 2020-01-31 | 北京航空航天大学 | 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统 |
CN110837806A (zh) * | 2019-11-11 | 2020-02-25 | 辽宁科技学院 | 一种基于深度卷积记忆网络的室内定位方法 |
CN110837582A (zh) * | 2019-11-28 | 2020-02-25 | 重庆紫光华山智安科技有限公司 | 数据关联方法、装置、电子设备和计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
杨帅.基于室内轨迹分析的老人行为识别方法.《中国优秀硕士学位论文全文数据库 信息科技辑》.2018,(第2期),第I138-1738页. * |
王志瑞 ; 刘正涛 ; 黄慧 ; .基于LERBF算法的人体行为自相似识别.控制工程.2016,23(11),第1784-1789页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111403021A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9781575B1 (en) | Autonomous semantic labeling of physical locations | |
CN104680046B (zh) | 一种用户活动识别方法及装置 | |
CN107005679B (zh) | 一种基于云服务的智能目标识别装置、系统及方法 | |
Erdogan et al. | A data mining approach for fall detection by using k-nearest neighbour algorithm on wireless sensor network data | |
CN108171278B (zh) | 一种基于运动训练数据的运动模式识别方法和系统 | |
CN109145696B (zh) | 一种基于深度学习的老人跌倒检测方法及系统 | |
CN111403021B (zh) | 一种监测方法及装置 | |
CN107105159B (zh) | 基于SoC的嵌入式运动目标实时检测跟踪系统及方法 | |
WO2019129255A1 (zh) | 一种目标跟踪方法及装置 | |
WO2020000697A1 (zh) | 行为识别方法、装置、计算机设备及存储介质 | |
CN110456320B (zh) | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 | |
CN111626125A (zh) | 人脸温度检测的方法、系统、装置和计算机设备 | |
CN102866237A (zh) | 一种基于视频识别的水质安全在线生物预警监测系统 | |
CN105444770A (zh) | 基于智能手机的车道级别地图生成和定位系统及方法 | |
CN115810178B (zh) | 人群异常聚集预警方法、装置、电子设备及介质 | |
Lee et al. | Automatic physical activity and in‐vehicle status classification based on GPS and accelerometer data: A hierarchical classification approach using machine learning techniques | |
CN106067001A (zh) | 一种动作识别方法及系统 | |
CN106650300B (zh) | 一种基于极限学习机的老人监护系统及方法 | |
CN104573387A (zh) | 一种噪音地图绘制方法及装置 | |
Ahn et al. | A digital twin city model for age-friendly communities: Capturing environmental distress from multimodal sensory data | |
Sila-Nowicka et al. | Multi-sensor movement analysis for transport safety and health applications | |
Ding et al. | A fall detection method based on K-nearest neighbor algorithm with MIMO millimeter-wave radar | |
CN110598599A (zh) | 基于Gabor原子分解的人体异常步态检测方法和装置 | |
Shin | Deep convolutional neural network-based hemiplegic gait detection using an inertial sensor located freely in a pocket | |
WO2016072240A1 (ja) | センサ情報を処理する情報処理装置、情報管理システム、情報表示システム、情報処理方法、プログラム、記録媒体及びサーバ装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: No. 160, West Fourth Ring North Road, Haidian District, Beijing Patentee after: China Electronics Engineering Design Institute Co.,Ltd. Country or region after: China Address before: No. 160, West Fourth Ring North Road, Haidian District, Beijing Patentee before: CHINA ELECTRONICS ENGINEERING DESIGN INSTITUTE Co.,Ltd. Country or region before: China |